論文の概要: Metacognitive Selective Ensemble for Mobile Systems

• arxiv url: http://arxiv.org/abs/2609.31031v1
• Date: Fri, 25 Sep 2026 09:26:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.324197
• Title: Metacognitive Selective Ensemble for Mobile Systems
• Title（参考訳）: モバイルシステムのためのメタ認知的選択アンサンブル
• Abstract要約: モデル毎の信頼性の短期的持続性を生かした,アクティブアンサンブルフレームワークであるMetaSEを提案する。 Raspberry Pi 4BではMetaSEは2.7倍高速で、完全な10モデル推論よりも69%少ないメモリを使用する。
• 参考スコア（独自算出の注目度）: 4.949633974815951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep ensembles improve robustness in mobile sensing, but repeatedly executing many models over continuous sensor streams is costly. Selecting only a few members reduces this cost, yet adaptive selection often requires additional model execution to obtain reliable evidence about inactive candidates. We present MetaSE, an active ensemble framework that exploits short-term persistence in per-model reliability. MetaSE maintains a small active set across windows, uses post-execution evidence to reject unreliable members, and invokes lightweight routing only when replacement is needed. This stateful design accesses the diversity of a larger pool without repeated full-pool evaluation. Across four HAR datasets and four model architectures, MetaSE consistently improves over a fixed three-model ensemble and achieves accuracy comparable to substantially more expensive adaptive and full-ensemble inference. On a Raspberry Pi 4B, MetaSE is 2.7x faster and uses 69% less memory than full ten-model inference.
• Abstract（参考訳）: ディープアンサンブルはモバイルセンシングの堅牢性を改善するが、連続センサストリーム上で多くのモデルを繰り返し実行することはコストがかかる。 少数のメンバーだけを選ぶと、このコストが削減されるが、不活性候補に関する確実な証拠を得るためには、適応的な選択が追加のモデル実行を必要とすることが多い。 モデル毎の信頼性の短期的持続性を利用した,アクティブアンサンブルフレームワークであるMetaSEを提案する。 MetaSEはウィンドウ全体の小さなアクティブセットを維持し、実行後エビデンスを使用して信頼性の低いメンバを拒否し、置換が必要な場合にのみ軽量ルーティングを起動する。 このステートフルな設計は、繰り返しフルプール評価を行うことなく、より大きなプールの多様性にアクセスする。 4つのHARデータセットと4つのモデルアーキテクチャで、MetaSEは固定された3モデルアンサンブルよりも一貫して改善され、かなり高価な適応性とフルアンサンブル推論に匹敵する精度を達成する。 Raspberry Pi 4BではMetaSEは2.7倍高速で、完全な10モデル推論よりも69%少ないメモリを使用する。

関連論文リスト

• StereoFactory: A Unified Merging Framework for Robust Stereo Matching [61.973843344605655]
  ステレオマッチングは、大規模なデータセットでトレーニングされた基礎モデルを通じて進歩しているが、このパラダイムはスケーラビリティのボトルネックに悩まされている。 モデルマージは、ソースチェックポイントが利用可能になった後、特別なモデルからの知識を統合することで、スケーラブルなポストホックな代替手段を提供する。 本稿では,適応モデルマージのための粗大な進化的フレームワークであるStereoFactoryを提案する。
  論文  参考訳（メタデータ） (2026-06-16T03:36:59Z)
• Continual Visual Anomaly Detection on the Edge: Benchmark and Efficient Solutions [11.262875405161417]
  視覚異常検出(VAD)は、産業検査や医療を含む多くのアプリケーションにとって重要な課題である。 本ベンチマークは, 協調効率および適応性制約下での最適バックボーン法とVOD法の選択に関するガイダンスを提供する。 本稿では,3つの軽量バックボーンアーキテクチャにまたがる7つのVADモデルの評価を行い,連続学習シナリオにおけるエッジ上でのVADの総合ベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-04-07T20:19:34Z)
• Meta-Sel: Efficient Demonstration Selection for In-Context Learning via Supervised Meta-Learning [9.851186633544975]
  目的分類のための軽量な教師付きメタ学習手法であるMeta-Selを提案する。 ラベル付きトレーニングデータから(候補、クエリ)ペアの高速で解釈可能なスコアリング関数を学習する。 推測時、セレクタは全候補プール上で1つのベクトル化スコアを実行し、トップkのデモを返す。
  論文  参考訳（メタデータ） (2026-02-12T16:11:29Z)
• Adaptive Multi-Scale Correlation Meta-Network for Few-Shot Remote Sensing Image Classification [1.9942405511683123]
  ラベル付きデータの不足,実質的なドメインシフト,オブジェクトのマルチスケールな性質など,リモートセンシングでの学習は依然として困難である。 アダプティブ・マルチスケール相関メタネットワーク(AMC-MetaNet)は,3つの重要なイノベーションを持つ軽量かつ強力なフレームワークである。 AMC-MetaNetは、様々なリモートセンシングデータセットの5ウェイ5ショット分類において86.65%の精度を達成している。
  論文  参考訳（メタデータ） (2026-01-18T08:21:51Z)
• RoMa v2: Harder Better Faster Denser Feature Matching [56.71494120301684]
  Dense Feature Matchは、3Dシーンの2つの画像間のすべての対応を推定することを目的としている。 既存の密集型マーカは、多くのハード・リアル・ワールド・シナリオで失敗したり、性能が悪くなったりします。 本稿では,これらの弱点を,一連の系統的な改善を通じて広範囲にわたって攻撃する。
  論文  参考訳（メタデータ） (2025-11-19T18:59:38Z)
• SM3Det: A Unified Model for Multi-Modal Remote Sensing Object Detection [79.58755811919366]
  本稿では,リモートセンシングのためのマルチモーダルデータセットとマルチタスクオブジェクト検出(M2Det)という新しいタスクを提案する。 水平方向または指向方向の物体を、あらゆるセンサーから正確に検出するように設計されている。 この課題は、1)マルチモーダルモデリングの管理に関わるトレードオフ、2)マルチタスク最適化の複雑さに起因する。
  論文  参考訳（メタデータ） (2024-12-30T02:47:51Z)
• Augmenting conformers with structured state-space sequence models for online speech recognition [41.444671189679994]
  モデルが左の文脈のみにアクセスするオンライン音声認識は、ASRシステムにとって重要かつ困難なユースケースである。 本研究では、構造化状態空間シーケンスモデル(S4)を組み込んだオンラインASRのためのニューラルエンコーダの強化について検討する。 我々はS4モデルの変種を比較するために系統的アブレーション研究を行い、それらを畳み込みと組み合わせた2つの新しいアプローチを提案する。 我々の最良のモデルは、LibrispeechによるテストセットでWERの4.01%/8.53%を達成する。
  論文  参考訳（メタデータ） (2023-09-15T17:14:17Z)
• Squeezeformer: An Efficient Transformer for Automatic Speech Recognition [99.349598600887]
  Conformerは、そのハイブリッドアテンション・コンボリューションアーキテクチャに基づいて、様々な下流音声タスクの事実上のバックボーンモデルである。 Squeezeformerモデルを提案する。これは、同じトレーニングスキームの下で、最先端のASRモデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-06-02T06:06:29Z)
• A Coarse to Fine Question Answering System based on Reinforcement Learning [48.80863342506432]
  本システムは,多段階質問応答を実現するために,アクタ批判に基づく深層強化学習モデルを用いて設計されている。 我々は、WIKEREADING、WIKIREADING LONG、CNN、SQuADの4つのQAデータセットでモデルをテストし、1.3$%$-1.7$%の精度向上と1.5x-3.4xのトレーニングスピードアップを実証した。
  論文  参考訳（メタデータ） (2021-06-01T06:41:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。